文献速递复苏、休克与脓毒症心脑血管急症

机器学习对调度员识别院外心脏骤停的影响:一项随机临床试验

Effect of Machine Learning on Dispatcher Recognition of Out-of-Hospital Cardiac Arrest During Calls to Emergency Medical Services: A Randomized Clinical Trial.
PubMed 文献 · JAMA Netw Open · 2021-01-04
一句话结论本随机临床试验未发现机器学习辅助显著改善调度员对院外心脏骤停的识别率(93.1% vs 90.5%,P=0.15),尽管机器学习模型本身的敏感性高于调度员(85.0% vs 77.5%,P<0.001)。

该双盲、两组随机临床试验在丹麦哥本哈根急救医疗服务进行,分析2018年9月1日至2019年12月31日期间机器学习模型处理的169049次急救电话,模型将5242次通话识别为疑似院外心脏骤停并随机分配至干预组(2581次)或对照组(2661次),最终654次通话经丹麦心脏骤停登记处确认为院外心脏骤停。主要结局显示,干预组调度员识别296/318次(93.1%),对照组识别304/336次(90.5%),两组无显著差异(P=0.15)。机器学习模型单独警报的敏感性显著高于无警报的调度员(85.0% vs 77.5%,P<0.001),但特异性(97.4% vs 99.6%,P<0.001)和阳性预测值(17.8% vs 55.8%,P<0.001)显著更低。结论认为,机器学习支持未显著改善调度员识别,人工智能虽超越人类识别,但需改善人机交互和模型特异性。

要点

  • 在654次经确认的院外心脏骤停通话中,机器学习辅助组调度员识别率93.1%(296/318),标准流程组90.5%(304/336),差异无统计学意义(P=0.15)。
  • 机器学习模型单独警报对确认的院外心脏骤停敏感性85.0%,显著高于无警报调度员的77.5%(P<0.001),但特异性97.4% vs 99.6%显著更低(P<0.001)。
  • 机器学习模型阳性预测值17.8%,显著低于调度员的55.8%(P<0.001);干预组完全遵从警报将产生2122例假阳性(占2581次疑似呼叫的82.2%)。
  • 干预组调度员从收到警报至识别院外心脏骤停的反应时间为20秒;若遵从警报,296例识别时间可提前20秒(平均1.38分钟 vs 1.71分钟,P=0.008)。
  • 调度员辅助心肺复苏启动率干预组64.8%(206次)vs 对照组61.9%(208次),差异无统计学意义(P=0.47)。

适用人群与场景

  • 2018年9月1日至2019年12月31日期间拨打丹麦哥本哈根急救医疗服务(112)的所有急救电话,由机器学习模型实时分析。
  • 仅机器学习模型怀疑为院外心脏骤停的通话有资格随机分配至干预组或对照组。
  • 排除:调度员与EMS医师商议期间通话被置于等待状态且机器学习警报仅在等待后出现的通话;机器学习模型错误识别且未获丹麦心脏骤停登记处确认的通话;警报链中断的通话(如从非工作时间的非急救服务转接);同一事件的重复通话;警方请求EMS援助的通话;EMS目击的院外心脏骤停;通话前已开始心肺复苏的通话。

诊断标准与关键阈值

  • 疑似院外心脏骤停定义:机器学习模型以1秒分辨率估计通话中院外心脏骤停概率,概率超过预设阈值即定义为疑似院外心脏骤停并可向调度员发出警报。
  • 确诊院外心脏骤停参考标准:通话与丹麦心脏骤停登记处关联,登记处有相应心脏骤停记录即确认为院外心脏骤停。
  • 调度员识别院外心脏骤停时间从通话开始时计算,包括警方与医疗调度员之间的电话会议时间。

处置流程与药物剂量

  • 调度员在收到机器学习警报时可选择忽略或遵循;若遵循,被指示立即派出救护车和配备医生的车辆,基于院外心脏骤停的怀疑。
  • 对照组调度员按标准方案处理通话,不显示机器学习警报。
  • 在疑似院外心脏骤停情况下,调度员在指导呼叫者进行心肺复苏的同时,派遣救护车和由医师随车的移动重症监护单元。
  • 调度员辅助心肺复苏定义为调度员指示呼叫者将手放在患者胸部或类似动作指令。

研究设计与关键结果

  • 研究类型:双盲、两组随机临床试验;地点:丹麦哥本哈根急救医疗服务;时间:2018年9月1日至2019年12月31日;共分析169049次急救电话,机器学习模型识别5242次疑似院外心脏骤停并随机分配至对照组2661次(50.8%)或干预组2581次(49.2%),最终654次通话经登记处确认为院外心脏骤停(干预组318次,对照组336次)。
  • 主要结局:干预组调度员识别296/318次(93.1%),对照组识别304/336次(90.5%),无显著差异(P=0.15)。
  • 机器学习模型单独警报 vs 无警报调度员:敏感性85.0% vs 77.5%(P<0.001);特异性97.4% vs 99.6%(P<0.001);阳性预测值17.8% vs 55.8%(P<0.001)。
  • 识别时间:干预组304次呼叫平均1.72(1.52)分钟 vs 对照组296次呼叫1.70(1.63)分钟(P=0.90);机器学习模型警报时间干预组1.39(1.32)分钟 vs 对照组抑制警报1.33(1.51)分钟(P=0.60)。
  • 调度员辅助心肺复苏启动:干预组206次(64.8%)vs 对照组208次(61.9%)(P=0.47)。
  • 干预组调度员从收到警报至识别院外心脏骤停的反应时间为20秒;从被抑制警报可能首次出现至对照组识别的时间间隔为22秒。
  • 依从性事后分析:若干预组调度员遵从警报,本可多识别22例院外心脏骤停,296例识别时间提前20秒(平均1.38[1.32]分钟 vs 1.71[1.63]分钟,P=0.008)。
  • 完全遵从情景:干预组将产生2122例假阳性(占2581次疑似呼叫的82.2%);若对照组也披露并遵从所有警报,将产生2161例(81.2%)假阳性;4283次假警报中1519次(35.5%)接受了非完整院外心脏骤停响应的其他响应,派遣救护车总数从56449次增至57968次,增加2.7%。

证据类型、等级与局限

  • 证据类型:随机临床试验(RCT),双盲、两组设计。
  • 样本量估算:基于先前研究机器学习模型与调度员识别差异10%,α=5%、检验效能95%,每组需356次呼叫,总样本712次呼叫。
  • 局限:医疗调度员在非被动状态下可从先前接触机器学习模型中学习,从而在对照组中遇到院外心脏骤停呼叫时改善结局,而此时模型仍处于被动状态;事后看来,本应向调度员提供更多教育以提高对机器学习模型的依从性;分析电话呼叫的服务器因服务器配置不足而出现停机,为此随机化 período 被延长。

对床旁实践的改变

  • 作者认为,创建一个具有高灵敏度的机器学习模型不足以改善对院外心脏骤停的识别,还需要建立对机器学习模型的信心。
  • 作者认为,在临床实践中实施此类工具之前需要进一步考虑,以确定对医疗专业人员进行进一步培训是否能弥补缺失的依从性。
  • 作者认为,应努力提高机器学习模型的特异性以改善警报的相关性。
  • 作者报告,对机器学习模型的极度遵从会导致更多院外心脏骤停被识别并缩短识别时间,尽管会更频繁地以高优先级派遣救护车。

提炼说明

  • 原文未涉及「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译17 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2021 Jan 6;4(1):e2032320. doi: 10.1001/jamanetworkopen.2020.32320

引言

在多个国家,随着旁观者干预、紧急医疗服务(EMS)响应及复苏后救治的改善,院外心脏骤停(OHCA)后的生存率有所提高。其中,早期旁观者干预,尤其是心肺复苏(CPR)联合早期除颤,对结局可能具有最大的潜在影响。1 紧急医疗调度员对心脏骤停的快速识别,随后指导呼叫者及时实施CPR并获取自动体外除颤器,是关键步骤。2,3,4,5 此类指导依赖于调度员对OHCA的及时识别。2018年,丹麦旁观者实施CPR的总体比例为77%,6 这与哥本哈根紧急医疗服务(EMS)中调度员识别OHCA的比例相对应。3,7

启动旁观者CPR和加快EMS响应的一个限速步骤在于调度员对OHCA的识别。一种有前景的改善OHCA识别策略是使用基于深度神经网络的人工智能系统,向调度员提供实时信息。此类系统根据调度员可能遗漏的语音词语模式来估计OHCA的可能性。

一种基于机器学习模型的临床决策支持工具在哥本哈根EMS进行了测试,能够以更高的敏感度和仅略低的特异度识别OHCA,优于医疗调度员。7 尽管此类临床决策支持工具具有通过提供数据驱动的洞察来改善医疗结局的潜力,但迄今为止,几乎所有由人工智能或机器学习驱动的决策支持工具在实践中均未能实现这一目标。8 因此,尽管将机器学习等研究技术转化为临床实践展现了新的机遇前沿,但该模式的真实世界部署仍然罕见,需要进一步探索。9

在这项随机临床试验中,我们研究了实时信息对调度员在紧急呼叫过程中识别OHCA能力的影响。我们的主要目的是检验机器学习模型是否影响医疗调度员的临床实践。我们假设,与标准呼叫流程相比,当调度员获得机器学习辅助时,机器学习模型将提高OHCA的识别率。次要结局是两种方法在OHCA识别时间、调度员辅助CPR(DA-CPR)启动及其启动时间方面的差异。

方法

伦理批准

我们遵循《通用数据保护条例》,并在丹麦数据保护局注册了该研究。该研究获得丹麦患者安全局的批准。丹麦首都大区的研究伦理委员会豁免了伦理批准的需求。该研究遵循《临床试验报告统一标准》(CONSORT)报告指南。区域伦理委员会豁免了本研究预注册的需求。然而,我们于2019年8月在ClinicalTrials.gov对该试验进行了回顾性注册。我们获得了所有研究参与者(即医疗调度员)的书面知情同意。

研究环境

该研究在丹麦哥本哈根进行,该地区人口为180万,面积为2563 km2。哥本哈根急救医疗服务(EMS)每年处理约130 000个急救电话。急救电话号码112连接至紧急医疗调度中心,该中心配备受过医学培训的调度员,由护士(70%)和护理人员(30%)组成,他们接受为期6周的沟通、急救电话优先级排序及调度员辅助心肺复苏(DA-CPR)指导培训。在疑似院外心脏骤停(OHCA)的情况下,调度员在指导呼叫者进行心肺复苏的同时,派遣救护车和由医师随车的移动重症监护单元。

急救电话处理

拨打至哥本哈根EMS的急救电话由先前描述的机器学习模型进行分析,7该模型监听每一通电话,并可在模型怀疑OHCA时立即提醒调度员。本研究中的机器学习模型与先前使用的模型相同,7以1秒分辨率估计OHCA,即对于呼叫者与调度员之间对话的每一秒,机器学习模型根据累积的通话信息计算是否存在OHCA的概率。如果机器学习模型的概率超过预设阈值,该通话即被定义为疑似OHCA,并可向调度员发出警告。

试验设计

这项双盲、2组、随机临床试验(RCT)评估了一种实时分析通话并向受过医学培训的调度员提供决策支持的机器学习模型,与无机器学习模型决策支持的传统通话处理进行比较。补充材料1中的试验方案提供了对该研究的更详细描述。

入选标准与随机化

2018年9月1日至2019年12月31日期间接到的所有急救电话均被纳入试验入组考虑。然而,只有机器学习模型怀疑为OHCA的通话才有资格随机分配至干预组或对照组。若调度员与EMS医师商议期间通话被置于等待状态,且机器学习警报仅在等待后出现,则该类通话被排除。此外,根据预先设定的随机化后排除标准排除通话10:机器学习模型错误识别OHCA且随后未获丹麦心脏骤停登记处确认的通话;警报链中断的通话(例如,从非工作时间的非急救服务转接而来的通话);同一事件的重复通话;警方请求EMS援助的通话;以及涉及EMS目击的OHCA的通话。最后,在通话前已开始心肺复苏的通话作为已确认的OHCA被排除。

符合入选标准的通话按1:1比例分配至干预组或对照组,使用无分层因素的随机数生成程序。11,12医疗调度员对其分组分配设盲。除非机器学习模型生成并披露OHCA警报,否则两组均不知道机器学习模型在通话期间是否运行。参与数据分析和结局评估的研究人员同样对分组分配设盲。

在一项事后分析中,我们考察了对机器学习模型的依从性,以及如果干预组遵循了每一条机器学习警报会产生什么后果。我们将干预组中机器学习警报的时间与对照组中调度员识别OHCA的时间(无此类警报)进行了比较。

参与者流程

所有拨往哥本哈根急救医疗服务(EMS)的电话均由警方转接,并以警方与医疗调度员之间的电话会议开始。对于调度员识别出的OHCA,识别时间从通话开始时计算,其中包括会议时间。在识别OHCA后,通话中的下一个事件是启动调度员协助心肺复苏(DA-CPR)。

所有调度员均参与了该试验,并被指示在收到机器学习模型发出的警报时遵循特定方案。13当警报出现时,调度员可以选择忽略警报,或者如果遵循警报,则被指示立即派出救护车和配备医生的车辆,基于OHCA的怀疑。机器学习警报的精确时间,无论是被遵循的还是被忽略的,均被记录并存储在一个中央数据库中。调度员对警报的反应,无论是遵循还是忽略,均不影响入组或后续分析。对于对照组,机器学习模型生成的警报被抑制,不显示给调度员。然而,机器学习警报发生的时间,尽管未指向调度员,仍被记录。该警报被设计为调度员主屏幕上的醒目显示,同时不以其他方式干扰调度员的工作。

病例审查

所有紧急调度通话均被录音。为验证确诊的OHCA,通话与丹麦心脏骤停登记处进行了关联。对于机器学习模型识别为真性OHCA的通话,由一组经过培训的评估人员进行评估,这些评估人员对随机化分组设盲,使用改编自美国心脏骤停登记处增强生存率的调度数据调查目录。14,15病例审查使我们能够收集次要终点的数据,即识别时间和DA-CPR时间。

结局

主要结局是调度员对随后确诊的OHCA的识别率。次要结局是调度员识别OHCA的时间和DA-CPR率,DA-CPR定义为调度员指示呼叫者将手放在患者胸部或类似动作指令的情况。

统计分析

以丹麦心脏骤停登记处作为确诊OHCA的参考标准,比较对照组和干预组中调度员的表现,以及机器学习模型的整体表现。结果在适当时以95% CI和P值报告。时间-事件分析采用Kaplan-Meier失败曲线进行,以估计各组及机器学习模型整体的识别时间。

在评估机器学习性能时,被模型分类为OHCA并经登记处参考标准确诊的通话被视为真阳性发现。Mann-Whitney检验用于比较机器学习模型分类为OHCA和非OHCA的通话。所有分析均以双侧P < .05为显著性标准。数据管理和统计分析使用SAS 9.4版(SAS Institute)进行。

根据我们之前的研究,7 机器学习模型与调度员之间在识别上的差异为 10%。将显著性水平(α)设为 5%、检验效能(1 − β)设为 95%,每组需要 356 次呼叫,因此研究总样本为 712 次呼叫。

结果

在干预期间,哥本哈根急救医疗服务(EMS)共接到 226 130 次呼叫,而机器学习模型由于停机仅处理了 169 049 次呼叫(74.7%)。停机时间随机分布于全天及不同调度员之间,在院外心脏骤停(OHCA)呼叫与非 OHCA 呼叫之间分布均等,且未影响随机化。在 16 个月研究期间机器学习模型处理的 169 049 次呼叫中,机器学习模型将 5847 次呼叫识别为疑似 OHCA。其中,5242 次(89.7%)符合随机化条件,并被随机分配至对照组(2661 次 [50.8%])或干预组(2581 次 [49.2%])调度员组;随机化后有 4588 次(87.5%)呼叫被排除(图 1)。

纳入患者的特征见表 1。共纳入 654 例患者,其中 318 例(48.6%)被随机分配至干预组,336 例(51.4%)分配至对照组。两组平均(SD)年龄为 70(16.1)岁,627 例已知性别患者中 419 例(67.8%)为男性,332 例(50.8%)的 OHCA 有旁观者目击;大多数 OHCA(539 例 [82.4%])发生在住宅环境中。两组间呼叫者及患者特征相似。

图 1. 研究流程图 DCAR 表示丹麦心脏骤停登记处;EMS 表示急救医疗服务;ML 表示机器学习;OHCA 表示院外心脏骤停。a 在调度员与 EMS 医师会商期间处于保持状态的呼叫,若警报出现在会商之后,则不符合纳入标准。b 所有呼叫均通过个人识别号与 DCAR 关联。若某次呼叫在登记处有相应的心脏骤停记录,则纳入进一步分析。c 从非工作时间服务机构转来的呼叫或其他当局请求帮助的呼叫被排除。 查看原图 ↗
表 1. 基线特征 查看原表 ↗

主要和次要结局

在主要结局分析中,654 次呼叫符合分析条件。在经核实的 OHCA 随机化呼叫中,医疗调度员在干预组识别出 318 次中的 296 次(93.1%),在对照组识别出 336 次中的 304 次(90.5%),两组间无显著差异(P = .15)。在干预组的 304 次呼叫中,调度员识别 OHCA 的平均(SD)时间为 1.72(1.52)分钟,对照组 296 次呼叫为 1.70(1.63)分钟(P = .90)(图 2)。

在干预组全部 318 次呼叫中,机器学习模型从紧急呼叫开始起识别 OHCA 并生成警报的平均(SD)时间为 1.39(1.32)分钟,与对照组 336 次呼叫中未显示的抑制警报相比仅相差 0.05 分钟(平均 [SD] 时间,1.33 [1.51] 分钟;P = .60)。

调度员在干预组 206 次呼叫(64.8%)和对照组 208 次呼叫(61.9%)中启动了心肺复苏(CPR)指导(P = .47),从识别 OHCA 起的经过时间无显著差异。干预组未进行 CPR 指导的经过时间比对照组多 2 秒(表 2)。

在干预组中,调度员从收到警报至识别出院外心脏骤停(OHCA)的反应时间为20秒。从被抑制的警报可能首次出现到对照组识别出的相应时间间隔为22秒。

图2. 呼叫112的时间线。CPR表示心肺复苏。 查看原图 ↗
表2. 主要和次要结局 查看原表 ↗

机器学习模型的依从性

图3显示了机器学习模型如何在干预组和对照组中持续优于调度员。在干预组中,如果调度员遵从了警报,本可多识别出22例OHCA,且296例OHCA的识别时间将比无此类警报时提前20秒(平均[SD]时间,1.38[1.32]分钟 vs 1.71[1.63]分钟;P = .008)。

图3. 院外心脏骤停识别失败曲线。阴影区域表示95%CI;叉号表示删失呼叫,即调度员未识别出该状况即结束的呼叫。 查看原图 ↗

机器学习模型的总体准确性

我们检查了机器学习模型处理的169 049次呼叫,其中1110次(0.7%)为急救医疗服务(EMS)未目击并经丹麦心脏登记处确认的OHCA。与医疗调度员相比,机器学习模型的敏感性显著更高(77.5% vs 85.0%;P < .001),但特异性更低(99.6% vs 97.4%;P < .001)。机器学习模型的阳性预测值显著低于调度员(17.8% vs 55.8%;P < .001)。通俗地讲,如果调度员遵从了机器学习模型的警报,本可多识别出54例调度员未识别出的OHCA。

机器学习模型产生了相当数量的假警报,即实际并未发生OHCA。因此,在干预组中完全遵从模型发出的真警报和假警报,将导致2122例假阳性OHCA(占所有疑似OHCA呼叫2581例中的2122例[82.2%])。如果所有此类警报也向对照组披露并被对照组遵从,将产生2161例(81.2%)假阳性OHCA。在4283次假警报中,1519次(35.5%)接受了非完整OHCA响应的其他响应,使派遣救护车总数从56 449次增至57 968次,增加了2.7%。

讨论

本研究设计为一项随机对照试验(RCT),同时也针对调查人工智能的RCT匮乏的问题。16据我们所知,本研究是唯一已发表的研究,分析机器学习模型在医疗调度员与患者或旁观者之间的实时对话中处理语音,系统在对话过程中自动提取信息并转化为对医疗专业人员的实时决策支持。仅有少数RCT测试人工智能和机器学习技术,均报告阴性或无显著意义的发现。16,17,18

本研究测试了一种电话分诊的新方法,其中机器学习模型实时自动提取信息,并将其转化为对医疗调度员识别院外心脏骤停(OHCA)的决策支持。研究发现,该机器学习模型能够正确识别更多的OHCA,且识别速度显著快于调度员。然而,在当前环境中使用机器学习模型并未使调度员正确识别OHCA的数量增加,且识别OHCA的时间未见改变。

在169 049次拨打哥本哈根急救医疗服务(EMS)的电话中,包括1110次关于OHCA的电话,我们发现机器学习模型能够在超过85.0%的OHCA电话中正确识别OHCA,这与之前的一项回顾性研究相似,我们在该研究中发现的灵敏度为84.1%。7特异度也与回顾性研究相似,为97.4%对比97.3%。因此,所开发的机器学习决策支持工具在实时、前瞻性环境中表现出的结果与回顾性研究相似。只有通过前瞻性研究,最好是随机对照试验(RCT),我们才能了解机器学习模型的实用性,因为在遇到与算法训练时所遇数据不同的真实世界数据时,其性能可能会更差。9前瞻性研究与回顾性研究结果非常相似,证明了该模型的稳健性,验证了机器学习模型的基本原理。

我们进一步 examination 了对机器学习模型所有警报的依从性的后果。这将导致额外识别54例OHCA。相反,在100%依从的情景下,将有1519辆救护车作为完整OHCA响应的一部分被派遣,使派遣总数增加2.7%,从56 449辆增至57 968辆鸣笛闪灯派遣的救护车。

关于机器学习模型或人工智能分析通话以支持医疗调度员的临床性能,文献匮乏。机器学习模型的经验仅限于回顾性研究,而本研究显示,与受过医学培训的调度员相比,对疑似OHCA的灵敏度和决策时间更优。然而,如本试验所示,被提醒疑似OHCA并未显著影响响应OHCA呼叫的调度员的行为。这些结果凸显了在采用新技术时讨论实施问题的必要性。这些结果与分娩期间胎心率计算机判读试验及其他在临床实践中测试机器学习模型或人工智能的RCT相似,这些试验未发现计算机化决策支持降低不良结局可能性的证据。17,18

与决策支持工具互动中的人为因素至关重要,多项研究报告在与决策支持工具互动时存在犹豫。19,20我们的发现与一篇关注决策支持工具依从性的综述一致,该综述报告,尽管临床医生认可这些技术有用,但实际使用率仍然较低。21

虽然机器学习模型提供了具有高灵敏度的稳健建议,但调度员似乎并未遵从警报。在临床实践中实施此类工具之前需要进一步考虑,以确定对医疗专业人员进行进一步培训是否能弥补缺失的依从性。

我们发现,创建一个具有高灵敏度的机器学习模型不足以改善对院外心脏骤停(OHCA)的识别。还需要建立对机器学习模型的信心。我们发现,对机器学习模型的极度遵从会导致更多OHCA被识别并缩短识别时间,尽管会更频繁地以高优先级派遣救护车。

局限性

本研究存在局限性。一个潜在的弱点是,医疗调度员在非被动状态下可以从先前接触机器学习模型中学习,从而在对照组中遇到OHCA呼叫时改善结局,而此时模型仍处于被动状态。事后看来,我们本应向调度员提供更多教育以提高对机器学习模型的依从性。第三,分析电话呼叫的服务器因服务器配置不足而出现停机。为解决这一问题,随机化 período 被延长。

结论

在这项随机对照试验(RCT)中,我们未发现机器学习支持下的调度员对OHCA的识别有任何显著改善,尽管人工智能确实超越了人类识别。这表明机器学习有潜力积极影响OHCA的识别率,同时提高调度员辅助心肺复苏(DA-CPR)率,但这些发现并未导致OHCA识别改善或DA-CPR率提高。未来需要开展研究以改善人机交互。然而,应努力提高机器学习模型的特异性以改善警报的相关性。

参考来源

  1. Blomberg SN, Christensen HC, Lippert F, et al. Effect of Machine Learning on Dispatcher Recognition of Out-of-Hospital Cardiac Arrest During Calls to Emergency Medical Services: A Randomized Clinical Trial. JAMA Netw Open. 2021. PMID: 33404620. doi:10.1001/jamanetworkopen.2020.32320
  2. 全文:PMC7788469(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7788469/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。